Du data warehouse centralisé au data mesh décentralisé
L'histoire des architectures de données financières est une oscillation entre centralisation et décentralisation. Les data warehouses centralisés ont dominé pendant des décennies, offrant une vue cohérente et gouvernée des données financières au prix d'une rigidité structurelle et de cycles de livraison lents. L'émergence du big data et des architectures cloud a conduit à des data lakes plus flexibles mais souvent difficiles à gouverner. Le concept de data mesh, apparu vers 2019, propose une approche décentralisée qui distribue la responsabilité des données aux équipes qui les produisent, tout en maintenant une gouvernance fédérée. Cette évolution a des implications directes sur la manière dont les plateformes IA financières peuvent accéder aux données dont elles ont besoin.
Les limites du data warehouse centralisé pour l'IA financière
Le data warehouse centralisé présente des avantages réels pour la cohérence des données financières et la gouvernance réglementaire. Cependant, son modèle de données rigide et ses cycles de mise à jour lents le rendent difficile à adapter aux besoins changeants des plateformes IA. Les équipes qui tentent d'alimenter des modèles IA depuis un data warehouse centralisé se heurtent souvent à des délais de livraison des nouvelles données qui contrastent avec la rapidité d'itération requise par les projets IA.
Le data lake : flexibilité sans gouvernance
Le data lake a tenté de résoudre les limites du data warehouse en acceptant des données dans leurs formats bruts. Cette flexibilité a facilité l'intégration de nouvelles sources de données financières mais a souvent conduit à des situations où la qualité et la sémantique des données devenaient difficiles à garantir. Les plateformes IA qui s'appuient sur des data lakes non gouvernés produisent parfois des résultats difficiles à expliquer et à auditer, ce qui pose des problèmes dans les contextes réglementaires financiers.
Event sourcing et CQRS dans les systèmes financiers
L'event sourcing et le CQRS (Command Query Responsibility Segregation) sont deux patterns architecturaux qui ont trouvé une application particulièrement pertinente dans les systèmes financiers. Leur adoption croissante dans les nouvelles architectures bancaires s'explique par leur alignement naturel avec les exigences d'audit et de traçabilité du secteur. Ces patterns ne sont pas nouveaux — leurs principes s'inspirent de pratiques comptables en double entrée qui remontent à plusieurs siècles — mais leur application dans les systèmes logiciels financiers modernes offre des avantages concrets pour l'intégration des plateformes IA.
Event sourcing : l'état comme résultat d'une séquence d'événements
L'event sourcing est un pattern où l'état d'un système est dérivé d'une séquence d'événements immuables plutôt que d'un état courant modifiable. Dans un système financier, cela signifie que chaque transaction est un événement qui s'ajoute à un journal immuable, et que le solde actuel est toujours calculable en rejouant ce journal depuis le début. Ce modèle offre une traçabilité naturelle — chaque état peut être expliqué par la séquence d'événements qui y a conduit — et facilite considérablement l'alimentation des plateformes IA avec des données historiques riches.
CQRS : séparer lecture et écriture pour optimiser les deux
Le CQRS propose de séparer les opérations de lecture et d'écriture en deux modèles distincts, chacun optimisé pour son usage. Dans le contexte financier, cette séparation permet d'optimiser le modèle de lecture pour les requêtes analytiques des plateformes IA sans impacter les performances des opérations transactionnelles. Combiné avec l'event sourcing, le CQRS permet de maintenir plusieurs projections des mêmes données, chacune optimisée pour un cas d'usage spécifique — reporting réglementaire, analyse IA, interface utilisateur — sans duplication coûteuse des systèmes sources.